Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Bańka, P." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Wykorzystanie sieci neuronowych do obliczania prędkości i przyspieszeń drgań gruntu wywoływanych wstrząsami górotworu
    Use of neural networks to calculate the velocity and acceleration of ground vibrations caused by mining tremors
    Autorzy:
    Bańka, P.
    Lier, E.
    Powiązania:
    https://bibliotekanauki.pl/articles/113490.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    sejsmiczność indukowana
    drgania powierzchni
    sieci neuronowe
    induced seismicity
    ground vibrations
    neural networks
    Opis:
    W wielu kopalniach istotny problem stanowią drgania gruntu wywoływane silnymi wstrząsami indukowanymi prowadzonymi robotami górniczymi. W rejonach, w których stwierdza się występowanie drgań powierzchni terenu generowanych wstrząsami górotworu, konieczne jest sporządzanie prognoz parametrów drgań gruntu, które mogą wystąpić w trakcie realizacji założeń projektowych zakładów górniczych. W artykule przedstawiono wyniki badań, których celem było określenie możliwości zastosowania, do prognozy parametrów drgań gruntu wywoływanych wstrząsami, sieci neuronowych. Wykorzystano obserwacje drgań gruntu pochodzące z obszaru jednej z silnie zagrożonych sejsmicznie kopalń GZW. Otrzymane rezultaty wykazały możliwość zastosowania sieci neuronowych do obliczania wartości prędkości i przyspieszeń drgań powierzchni terenu powodowanych wstrząsami. Dla rozpatrywanego zbioru rejestracji uzyskano dokładniejsze wyniki niż w przypadku zastosowania powszechnie wykorzystywanego, prostego modelu regresji liniowej.
    In many mines there is a problem with ground vibrations caused by severe tremors induced by carried out mining works. In the areas, where surface vibrations occurred due to highenergy tremors it is necessary to forecast the velocity and acceleration of vibrations that may occur during the future excavation process. This paper presents results of studies describing the possibility of using neural networks to forecast ground vibrations caused by mining tremors. During those studies data from highly seismically endangered region of Upper Silesian Coal Basin were used. The results of calculations proved the possibility of using neural networks to calculate the velocity and acceleration of ground vibrations caused by mining tremors. For the considered set of observations more precise results than, from widely used, a simple linear regression model, were obtained.
    Źródło:
    Systemy Wspomagania w Inżynierii Produkcji; 2017, 6, 3; 24-34
    2391-9361
    Pojawia się w:
    Systemy Wspomagania w Inżynierii Produkcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Dobór architektury sieci neuronowej wykorzystywanej do opisu zmian wielkości sejsmiczności indukowanej
    The architecture choice of the neural network used to describe changes in size of induced seismicity
    Autorzy:
    Bańka, P.
    Cichy, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/113083.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    energia odkształcenia sprężystego
    sejsmiczność indukowana
    sieci neuronowe
    elastic strain energy
    induced seismicity
    neural networks
    Opis:
    W artykule przedstawiono wyniki badań mających na celu ustalenie optymalnej architektury sieci neuronowej wykorzystywanej do prognozy zmian gęstości energii wstrząsów indukowanych prowadzonymi robotami górniczymi. Zbiór wykorzystywany do nauki sieci neuronowej zawierał wartości wskaźników charakteryzujących zmiany energii właściwej odkształcenia sprężystego (szacowane z wykorzystaniem rozwiązania przemieszczeniowego zadania brzegowego przestrzennej teorii sprężystości podanego przez H. Gila), a także informacje o zarejestrowanym poziomie sejsmiczności, charakteryzowanym przez określenie gęstości energii wstrząsów. W trakcie prowadzonych badań przeanalizowano wpływ liczby neuronów w warstwie ukrytej sieci (od 1 do 16) oraz przyjętej charakterystyki neuronu (rozważano następujące funkcje aktywacji: liniową, logistyczną i tangens hiperboliczny) na dokładność opisu zmian sejsmiczności indukowanej przy zastosowaniu odpowiednio wytrenowanej (nauczonej) sieci neuronowej. Sprawdzono także wpływ architektury sieci neuronowej na dokładność prognozy zmian wydatku energetycznego wstrząsów górotworu. Rezultaty obliczeń, wykonanych dla silnie zagrożonego wstrząsami i tąpaniami rejonu robót górniczych prowadzonych w jednej z kopalń węgla kamiennego GZW, potwierdziły możliwość zastosowania sieci neuronowych do szacowania zmian gęstości energii wstrząsów towarzyszących eksploatacji złoża. Stwierdzono także, że wystarczającą dokładność prognozy można uzyskać stosując mało rozbudowaną sieć neuronową, zawierającą w warstwie ukrytej tylko dwa neurony, natomiast jako funkcję aktywacji korzystnie jest przyjąć tangens hiperboliczny.
    The article presents results of researches which have been done to define optimal architecture of neural network used to forecast changes in size of seismicity induced by mining works in progress. The set that had been used to learn neural network has included value of indicators that characterize changes of elastic strain energy (estimated with edge task translocation of spatial theory of elasticity given by H. Gil) and information about recorded level of seismicity, described by density of seismic events energy. While doing the research the influence of neurons number in the hidden layer of the network (from 1 to 16) was analyzed and neuron's characteristic (following activation functions have been considered: linear, logistic and hyperbolic tangent) for accuracy in describing induced seismicity changes when appropriately trained neural network is applied. Influence of neural network architecture on exactitude of change forecast of energy expenditure of rock mass shocks has also been checked. Calculation results for the region that is extremely at risk of shocks (region of mining works that are in progress in one of GZW coal mines) have confirmed possibility of using neural networks to estimate changes in size of induced seismicity connected with deposit exploitation. It has been also stated that forecast accuracy can be achieved by using not a very expanded neural network consisted of only two neurons in the hidden layer, however as an activation function it is favorably to use hyperbolic tangent.
    Źródło:
    Systemy Wspomagania w Inżynierii Produkcji; 2017, 6, 3; 11-23
    2391-9361
    Pojawia się w:
    Systemy Wspomagania w Inżynierii Produkcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie sieci neuronowych do prognozy zagrożenia sejsmicznego
    The use of neural networks for seismic hazard prognosis
    Autorzy:
    Bańka, P.
    Cichy, T.
    Kołodziejczyk, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/166035.pdf
    Data publikacji:
    2016
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Górnictwa
    Tematy:
    energia odkształcenia sprężystego
    sejsmiczność indukowana
    sieci neuronowe
    elastic strain energy
    induced seismicity
    neural networks
    Opis:
    Obserwowany poziom sejsmiczności indukowanej prowadzonymi robotami górniczymi jest w dużym stopniu zależny od występujących warunków geologiczno-górniczych. Warunki te (w szczególności górnicze) mogą być w sposób ilościowy opisywane metodami analitycznymi. Wyniki wcześniejszych prac pozwoliły stwierdzić istnienie zależności korelacyjnych pomiędzy szacowanymi stanami energetycznymi górotworu (zmianami energii właściwej odkształcenia sprężystego) a rejestrowaną liczbą i wydatkiem energetycznym wstrząsów. Opracowano proste modele regresji umożliwiające prognozowanie zmian sejsmiczności towarzyszącej prowadzonym robotom górniczym. W artykule przedstawiono wyniki dalszych badań, których celem było określenie możliwości wykorzystania do prognozy zmian poziomu sejsmiczności indukowanej wybierką złoża sieci neuronowych. Podstawową cechą sieci neuronowych jest zdolność generalizacji, czyli uogólniania wiedzy dla nowych danych, nieznanych wcześniej, niedostępnych w trakcie nauki. Wykazują one odporność na nieciągłości, zaburzenia lub braki w zbiorze uczącym. Zalety sieci neuronowych sprawiają, że są one coraz częściej wykorzystywanym narzędziem do rozwiązywania różnych problemów, m.in. geofizycznych i geomechanicznych. Rezultaty obliczeń wykonanych dla silnie zagrożonego sejsmicznie rejonu robót górniczych prowadzonych w kopalni węgla kamiennego potwierdziły możliwość zastosowania sieci neuronowych do szacowania zmian wielkości sejsmiczności indukowanej towarzyszącej eksploatacji złoża. Odpowiednio wytrenowana (nauczona) sieć neuronowa może być wykorzystywana do oceny poziomu zagrożenia wstrząsami na wybiegach projektowanych robót w tym samym rejonie.
    The observed seismicity induced by mining works is largely dependent on the existing geological and mining conditions. These conditions (particularly the mining ones) can be described quantitatively by analytical methods. The results of previous works allowed to find a correlation between the estimated states of rock mass energy (change of energy in the elastic deformation) and the recorded number of tremors and their energy output. Simple regression models enabling prediction of seismic changes due to mining works were developed. In this paper we present the results of further studies, describing the possibility of using neural networks to forecast changes in the level of seismicity induced by deposit excavation. The main feature of neural networks is the ability of generalization, which allows to update the knowledge to new, previously unknown data, which was not available in the learning process. Neural networks show resistance to discontinuity, disorders or deficiencies in the training set. The advantages of neural networks promote their increasingly common use in solving various problems, including geophysical and geomechanical ones. The results of calculations made for a highly seismic region threatened by mining operations, confirmed the possibility of using neural networks to estimate the changes of seismic activity induced by deposit exploitation. Properly trained neural network can be used to assess the level of tremor risk in the planned mining area.
    Źródło:
    Przegląd Górniczy; 2016, 72, 4; 1-6
    0033-216X
    Pojawia się w:
    Przegląd Górniczy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies